专利名称：室内定位的方法及其系统的制作方法
技术领域：
本发明涉及无线通信技术领域，特别是涉及室内定位的方法及其系统。
背景技术：
随着移动计算设备的迅速发展和逐渐普及，室内环境下的各种基于位置服务的需 求(Location-Based Service, LBS)日益迫切。由于现有的卫星定位系统，如美国的全球定 位系统(Global Positioning System, GPS)和中国的北斗卫星定位系统，在室内环境或高 大建筑物密集城区，卫星定位信号受到建筑物的阻隔，难以有效定位。目前室内定位一般采 用红外线、超声波、射频等传感信号，其中基于红外线、超声波的定位技术精度较高，不过需 要使用专门的硬件设施，且信号需要视距传输，定位范围相对受限，难以大规模部署。
近年来，随着无线网络的大规模部署，基于WLAN(Wireless LAN，无线局域网)的 室内定位受到广泛关注。其主要原因是基于WLAN射频信号定位不仅传输距离远、无视距要 求，而且无需增加额外硬件，添加软件简单易行，与其它使用特定设备的定位技术相比，成 本优势十分明显。目前基于射频信号强度定位已成为室内定位技术的研究热点。
现有技术中有监督学习方法基于射频信号强度的定位方法采用模式分类的思想， 把定位问题转换为射频信号强度与位置的模式识别问题。这类方法主要分为离线训练和 在线定位两个阶段，在离线训练阶段，首先将实际应用场景按一定间距划分为规则的网格， 然后在每个网格上采集一定数量的射频信号强度信息，构建出射频地图(Radio M即)定位 模型；在在线定位阶段，根据待定位目标实时观测到的射频信号强度信息，通过定位模型 进行位置计算，从而实现对待定位目标的定位。这类方法将信号强度向量看作是对应位置 的信号模式(Pattern)在信号强度空间中的特征(Feature)，而实际的位置则可以看作是 该模式的真实标记(Label)，将信号强度向量(Feature)及其对应的位置坐标(Label)组 成训练数据，训练数据组成训练数据集，训练得到的分类器(Classifier)或者回归函数 (Regression Function)就能作为一个定位模型。总之，这类定位方法通过学习射频信号强 度与位置间的内在映射规律，然后基于推理实现目标定位。 如上所述，现有的有监督学习方法是一种基于模式分类的方法，只需要知道每个 位置所对应的信号强度特征，而不需要知道AP位置的先验知识。但是已有的这类定位算法 需要在离线训练阶段采集大量带位置标记的数据作为训练数据，这是一项极其耗费人力与 财力的工作，而采集无标记的训练数据则相对简单。
发明内容
为解决上述问题，本发明提供室内定位的方法及其系统，能够降低室内无线定位 技术训练数据采集代价。 本发明公开了一种室内定位的方法，包括 步骤l，输入带位置标记的训练数据和无位置标记的训练数据，所述训练数据组成 训练数据集；
步骤2，根据无位置标记的训练数据和带位置标记的训练数据间的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对应的位置标记，使所述训练数据集中全部训练数据具有位置标记； 步骤3，采用有监督学习方法由所述训练数据集定位待定目标。
所述步骤2进一步为， 步骤21，构建表示所有训练数据的信号强度向量相似关系的邻接图，对所述邻接图的拉普拉斯矩阵进行特征值分解，特征向量组成特征向量空间； 步骤22，构建所述特征向量空间上的分类器，根据所述带位置标记的训练数据的位置标记求解所述分类器的参数，由所述分类器得出所述无位置标记的训练数据对应的位置标记。 所述步骤21进一步为，
步骤31，构建所述邻接图； 步骤32，按如下公式计算所述邻接图的拉普拉斯矩阵，
L = D-W， 其中，L为所述邻接图的拉普拉斯矩阵，D为所述邻接图的节点的权值度对角矩阵，W为所述邻接图边的权值矩阵； 步骤33，对所述拉普拉斯矩阵进行特征值分解，得到所述拉普拉斯矩阵的特征向
量，所述特征向量组成特征向量空间。 所述步骤32和所述步骤33之间还包括， 步骤41，对所述拉普拉斯矩阵进行归一化。 所述步骤22进一步为， 步骤51，构建所述分类器为， 力《 f fl,《,(_/ = 其中ai为分类器的参数，小J,表示第i个特征向量的第j个元素的值，f j为训练数据的位置标记，j《1时，f j为带位置标记的训练数据的位置标记，j > 1时，f j为无位置标记的训练数据的位置标记，P为使用的特征值的数量，1为带位置标记的训练数据的数量，u为无位置标记的训练数据的数量； 步骤52，计算所述带位置标记的训练数据的位置标记的误差为
S(a):Z(A —J]a,^)2 由最小二乘解出使该误差最小的所述分类器的参数； 步骤53，由所述分类器得出无位置标记训练数据的位置标记为 = f (J' = / + # + ) 所述步骤31进一步为， 步骤61，以所述训练数据集中的训练数据为节点，计算节点间的权值为
<formula>formula see original document page 6</formula>
其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi，RSSj)表示训练数据的在信号强度空间上的距离，o为高斯核函数的窗口系数；
步骤62，对于每个节点，按同所述节点的权值从大到小的顺序将节点排列，选取前k个节点作为所述节点的邻居，k为大于0的整数； 步骤63，将所述节点同所述节点邻居的连接，构建出所述邻接图。
所述步骤31进一步为， 步骤71，以所述训练数据集中的训练数据为节点，将所有节点两两连接，组成所述
步骤72，确定所述邻接图中边的权值为 其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi，RSSj)表示训练数据的在信号强度空间的距离，o为高斯函数的窗口系数。 所述训练数据在信号强度空间的距离为I lRSSj-RSSil l，RSSi为训练数据i的信号
强度，RSSj为训练数据j的信号强度。 本发明还公开了一种室内定位的系统，包括 训练数据集组成模块，用于输入带位置标记的训练数据和无位置标记的训练数据，所述训练数据组成训练数据集； 训练数据位置标记模块，用于根据无位置标记的训练数据和带位置标记的训练数据间的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对应的位置标记，使所述训练数据集中全部训练数据具有位置标记； 目标定位模块，用于采用有监督学习方法由所述训练数据集定位待定目标。
所述训练数据位置标记模块进一步包括 特征向量空间构建模块，用于构建表示所有训练数据的信号强度向量相似关系的邻接图，对所述邻接图的拉普拉斯矩阵进行特征值分解，特征向量组成特征向量空间；
位置标记模块，用于构建所述特征向量空间上的分类器，根据所述带位置标记的训练数据的位置标记求解所述分类器的参数，由所述分类器得出所述无位置标记的训练数据对应的位置标记。 所述特征向量空间构建模块进一步用于构建所述邻接图；按公式L = D-W计算所述邻接图的拉普拉斯矩阵，其中，L为所述邻接图的拉普拉斯矩阵，D为所述邻接图的节点的权值度对角矩阵，W为所述邻接图边的权值矩阵；对所述拉普拉斯矩阵进行特征值分解，得到所述拉普拉斯矩阵的特征向量，所述特征向量组成特征向量空间。 所述特征向量空间构建模块在计算完拉普拉斯矩阵后还用于对所述拉普拉斯矩阵进行归一化。 所述位置标记模块进一步用于构建所述分类器为
f M力.《J' = I + ， p S I》 其中ai为分类器的参数，小j4表示第i个特征向量的第j个元素的值，f j为训练数据的位置标记，j《1时，f j为带位置标记的训练数据的位置标记，j > 1时，f j为无位置标
7记的训练数据的位置标记，P为使用的特征值的数量，1为带位置标记的训练数据的数量，u为无位置标记的训练数据的数量；计算所述带位置标记的训练数据的位置标记的误差为
<formula>formula see original document page 8</formula>
由最小二乘解出使该误差最小的所述分类器的参数；由所述分类器得出无位置标记训练数据的位置标记为<formula>formula see original document page 8</formula> 所述位置标记模块在构建所述邻接图时进一步用于以所述训练数据集中的训练数据为节点，计算节点间的权值为<formula>formula see original document page 8</formula>
其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi，RSSj)
表示训练数据的在信号强度空间上的距离，o为高斯核函数的窗口系数；对于每个节点，
按同所述节点的权值从大到小的顺序将节点排列，选取前k个节点作为所述节点的邻居，k
为大于0的整数；将所述节点同所述节点邻居的连接，构建出所述邻接图。 所述位置标记模块在构建所述邻接图时进一步用于以所述训练数据集中的训练
数据为节点，将所有节点两两连接，组成所述邻接图；确定所述邻接图中边的权值为<formula>formula see original document page 8</formula> 其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi，RSSj)表示训练数据的在信号强度空间的距离，o为高斯函数的窗口系数。 所述训练数据在信号强度空间的距离为I lRSSj-RSSil l，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度。 本发明的有益效果在于，利用无位置标记的训练数据和带位置标记的训练数据之间的潜在关系，通过带位置标记的训练数据的位置标记对无位置标记的训练数据进行标记，能够在保证定位模型定位精度的前提下，降低了训练数据集的采集代价。
图1是本发明室内定位的方法的流程 图2是具有两个连通分量的链图； 图3是图2中节点在图的拉普拉斯特征向量空间上的邻接关系 图4是本发明室内定位的系统的结构图； 图5是在训练数据集中带位置标记的训练数据占17%时，对无位置标记的训练数据进行标记的精度同使用的特征向量数量的关系图； 图6是在训练数据集中带位置标记的训练数据占25%时，对无位置标记的训练数据进行标记的精度同使用的特征向量数量的关系图； 图7是带位置标记的训练数据在训练数据集中比例同无位置标记的训练数据进行标记的精度关系图。
具体实施例方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。 本发明室内定位的方法，包括 步骤S100，输入带位置标记的训练数据和无位置标记的训练数据，所述训练数据组成训练数据集。 步骤S200，根据无位置标记的训练数据和带位置标记的训练数据间的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对应的位置标记，使所述训练数据集中全部训练数据具有位置标记。 步骤S300，采用有监督学习方法由所述训练数据集定位待定目标。
较佳的，所述步骤S200进一步为， 步骤S210，构建表示所有训练数据的信号强度向量相似关系的邻接图，对所述邻接图的拉普拉斯矩阵进行特征值分解，特征向量组成特征向量空间； 步骤S220，构建所述特征向量空间上的分类器，根据带位置标记的训练数据的位置标记求解分类器的参数，由分类器得出所述无位置标记的训练数据对应的位置标记。
本发明方法的具体实施方式
如下所述。 本发明方法需要采集少量的带位置标记的训练数据，同时利用大量采集代价相对
较低的无带位置标记的训练数据，利用所有训练数据在拉普拉斯矩阵的特征向量空间上的
关系，训练出具有一定泛化能力的定位模型。由带位置标记的训练数据和无位置标记的训
练数据组成训练数据集；通过对所有训练数据所构成的邻接图进行谱分解，谱分解为对邻
接图的拉普拉斯矩阵进行特征值分解，获取所有训练数据集在特征向量空间上的表示，然
后根据相同数据节点在不同表示空间上的位置标记不变的原理，获知带位置标记的训练数
据在特征向量空间上的位置标记，根据带位置标记的训练数据的位置标记对无位置标记的
训练数据进行标记，从而获得一个全带位置标记的训练数据集。 该方法包括以下步骤 步骤S101，输入带位置标记的训练数据和无位置标记的训练数据，该些训练数据组成训练数据集。 训练数据集为S = {ldat^udata}，其中ldata = {flab，RSS}为带位置标记的训练数据，flab为该训练数据对应的位置标记，RSS为该训练数据对应的的信号强度向量，udata=(f皿w，RSSl为无位置标记的训练数据，RSS为该训练数据对应的信号强度向量，f^ab为该训练数据对应的估计位置标记。 步骤S201 ，构建表示所有训练数据的信号强度向量相似关系的邻接图。 邻接图，表示为G(V，E)，V为节点，E为边。其中，节点集为所有训练数据，包括1个
带位置标记的训练数据和u个无位置标记的训练数据，节点之间的边集E为(l+u) X (l+u)
的非负值矩阵W，其中Wij表示第i个训练数据和第j个训练数据之间的邻接关系，该邻接
关系根据训练数据的信号强度向量之间的相似度来度量。 构建邻接图的具体实施方式
一 根据所有训练数据，包括带位置标记的训练数据和无位置标记的训练数据，采用k
9最近邻的方式构建邻接图G(V， E)。 采用k最近邻的方式构建邻接图的具体实现如下所述。
将任意两个节点的权值为> 0。 根据RSSi与RSSj之间在信号强度空间上的距离，采用高斯核函数的方式进行赋权。 高斯核函数为， exp{--;~~^~}
2cr* ， 其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi，RSSj)表示训练数据的在信号强度空间上的距离，o为高斯核函数的窗口系数。训练数据在信号强度空间上的距离为I I RSSj-RSSi I I 。 对于每个节点，依据同该节点的权值，将除该节点外的其他节点按从大到小的顺序排列，选取前k个节点作为该节点的邻居，k为大于O的整数；节点同其邻居连接，构建出邻接图。 构建邻接图的具体实施方式
二 采用全连接方法构建邻接图，任意两个训练数据之间都邻接。
训练数据在信号强度空间上的距离为I I RSSj-RSSi | | 。 根据RSSi与RSSj之间在信号强度空间上的距离，采用高斯核函数的方式进行赋权
、 = ，{--二 》 其中，d(RSSi， RSSj)表示训练数据在信号强度空间上的距离，o为高斯核函数的窗口系数。 步骤S202，计算邻接图的拉普拉斯矩阵。
计算邻接图的拉普拉斯矩阵的具体实施方式
一 在邻接图G(V， E)的基础上，计算拉普拉斯矩阵为L = D-W，其中D为节点的权值度对角矩阵，W为邻接图边的权值矩阵。 权值度对角矩阵为D二 {dii =E ，ijh表示与节点相关的所有边权值之和所构成的对角矩阵。 当k最近邻方法时，权值对角矩阵的元素表示与节点相邻接的所有边权值之和；
当采用全连接方法时，权值对角矩阵的元素表示邻接图中节点的度。 计算邻接图的拉普拉斯矩阵的具体实施方式
二 在具体实施方式
一 的基础上归 一 化拉普拉斯矩阵
ZT,172 =1 -￡T!/W2 ，H:屮'I表示单位向量，L为拉普拉斯矩阵，D为节点的权值度对角矩阵，w为邻接图边的权值矩阵。
步骤S203，对拉普拉斯矩阵进行特征值分解。 通过特征值分解获得拉普拉斯矩阵的谱以及对应的特征向量，从而能够将所有训练数据映射到由P个特征向量所张成的正交空间上，P为使用的拉普拉斯矩阵的特征值的个数。
10
将拉普拉斯矩阵进行特征值分解后，拉普拉斯矩阵的特征值和特征向量分别为，(入i，小J，入i表示特征值，t表示特征值^对应的特征向量，并且特征值以非降次序排
列，则 i = J]灭 / (!) 拉普拉斯矩阵的谱的为拉普拉斯矩阵的特征值集合，{ A J 。 拉普拉斯矩阵的特征向量体现了原始训练数据集中的簇信息。 例如，如图2所示的具有两个连通分量的链图，实心节点表示带位置标记的训练
数据，空心节点表示无位置标记的训练数据，图2中所有节点在该图的2个特征向量所张成
的正交空间上的邻接关系如图3所示。图3中两个节点之间的虚线表示了该两个节点在该
正交空间上邻接，从图2和图3可见，拉普拉斯矩阵的特征向量隐含了原始图中节点的簇信
息，有效地表征了带位置标记的训练数据和无位置标记的训练数据间的连接关系。 步骤S204，构建特征向量空间上的分类器，根据带位置标记的训练数据的位置标
记求解分类器的参数，由分类器得出所述无位置标记的训练数据对应的位置标记。 分类器，用于根据训练数据在特征向量空间上的表示，确定训练数据的位置标记。 通过最小化公式误差函数，构建一个在特征向量空的间上分类器，根据最小二乘
解获得分类器参数。 将所有训练数据映射到特征向量空间后，利用该簇信息，由于在相同聚类(Cluster)中的样本示例有较大的可能拥有相同的位置标记，进而实现有标记数据的位置标记在整个数据图中传播。 由于拉普拉斯矩阵的所有恃征值满足0= 入2 入^，因此，拉普拉斯矩阵为半正定(positive semi-definite)，拉普拉斯矩阵的特征向量形成Hilbert空间L2 (M)的一组正交基。对于任何函数f(x) G y(M)，可表示为正交基的线性组合 /(x》J]a為()
1=1 其中，小i为特征向量，表示正交基，ai表示基小i对应的线性系数。
基于上述原理，步骤S20具体实施方式
如下。
构建分类器为 (J = 1，…/ + M, p 5 Z) 其中，ai为分类器的参数，小J,表示第i个特征向量的第j个元素的值，fj为训练数据的位置标记，j《1时，f j为带位置标记的训练数据，j > 1时，f j为无位置标记的训练数据，P为使用的特征值的数量，1为带位置标记的训练数据的数量，u为无位置标记的训练数据的数量。 在带位置标记的训练数据的误差为
雖》=￡《/广E《)2
最优的拟合参数a = (ai， a2 ap)T，
11
<formula>formula see original document page 12</formula> 由最小二乘解求得，分类器的参数为
<formula>formula see original document page 12</formula>
其中，flab = & 4 为带位置标记的训练数据的位置标记，
<formula>formula see original document page 12</formula> 示。
Elab为带位置标记的训练数据投影到p个特征向量所生成的正交空间上的P维表
通过分类器，对无位置标记的训练数据进行标记。无位置标记的训练数据的位置 步骤S301 ，根据完整的全标记训练数据集，采用有监督学习的定位方法，如最大后 验(Maximum a Posteriori, MAP)法，对待定位目标进行定位。
本发明的室内定位的系统如图4所示。 训练数据集组成模块100，用于输入带位置标记的训练数据和无位置标记的训练 数据，该些训练数据组成训练数据集。 训练数据位置标记模块200，用于根据无位置标记的训练数据和带位置标记的训 练数据间的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对 应的位置标记，使所述训练数据集中全部训练数据具有位置标记； 目标定位模块300 ，用于采用有监督学习方法由所述训练数据集定位待定目标。
训练数据位置标记模块200进一步包括 特征向量空间构建模块201，用于构建表示所有训练数据的信号强度向量相似关 系的邻接图，对所述邻接图的拉普拉斯矩阵进行特征值分解，特征向量组成特征向量空间。
位置标记模块202，用于构建特征向量空间上的分类器，根据所述带位置标记的训 练数据的位置标记求解所述分类器的参数，由所述分类器得出所述无位置标记的训练数据 对应的位置标记。 较佳的，特征向量空间构建模块201进一步用于构建所述邻接图；按公式L = D-W 计算所述邻接图的拉普拉斯矩阵， 其中，L为所述邻接图的拉普拉斯矩阵，D为所述邻接图的节点的权值度对角矩 阵，W为所述邻接图边的权值矩阵； 对所述拉普拉斯矩阵进行特征值分解，得到所述拉普拉斯矩阵的特征向量，所述 特征向量组成特征向量空间。 较佳的，特征向量空间构建模块201在计算完拉普拉斯矩阵后还用于对所述拉普 拉斯矩阵进行归一化。 较佳的，位置标记模块202进一步用于构建所述分类器为
<formula>formula see original document page 13</formula> 其中ai为分类器的参数，小J,表示第i个特征向量的第j个元素的值，f j为训练数 据的位置标记，j《1时，f j为带位置标记的训练数据的位置标记，j > 1时，f j为无位置标 记的训练数据的位置标记，P为使用的特征值的数量，1为带位置标记的训练数据的数量，u 为无位置标记的训练数据的数量； 计算所述带位置标记的训练数据的位置标记的误差为<formula>formula see original document page 13</formula> 由最小二乘解出使该误差最小的所述分类器的参数；由所述分类器得出无位置标 记训练数据的位置标记为<formula>formula see original document page 13</formula> 较佳的，位置标记模块202在构建所述邻接图时进一步用于以所述训练数据集中 的训练数据为节点，计算节点间的权值为
「， 我竭，愿,)2
',=卿{- 2》〃 》 其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi，RSSj) 表示训练数据的在信号强度空间上的距离，o为高斯核函数的窗口系数；对于每个节点， 按同所述节点的权值从大到小的顺序将节点排列，选取前k个节点作为所述节点的邻居，k 为大于0的整数；将所述节点同所述节点邻居的连接，构建出所述邻接图。
较佳的，位置标记模块202在构建所述邻接图时进一步用于以所述训练数据集中 的训练数据为节点，将所有节点两两连接，组成所述邻接图；确定所述邻接图中边的权值为 <formula>formula see original document page 13</formula>
其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi，RSSj) 表示训练数据的在信号强度空间的距离，o为高斯函数的窗口系数。 所述训练数据在信号强度空间的距离为I lRSSj-RSSil l，RSSi为训练数据i的信号 强度，RSSj为训练数据j的信号强度。
本发明有益效果如下。 图5为在训练数据集中17%的训练数据是带位置标记的训练数据时，对无位置标 记的训练数据进行标记的精度。从图1中可以看出，随着所用特征向量个数的增加，也就是 上述P的增大，位置标记精度呈现出先迅速提高后缓慢降低的趋势。这是因为，当P较小 时，所采用的特征向量的个数较少，在求解节点分类器参数时导致出现拟合不足现象，从而 导致对无位置标记训练数据进行标记的泛化性能较弱，因此位置标记精度较低。而当P增 大到一定程度时，如达到有标记数据数量的50%时，定位标记精度开始下降，这是因为过多 的特征向量导致在求解分类器参数时过度拟合，造成了定位精度较低的结果。
图6为在训练数据集中25%的训练数据是带位置标记的训练数据时，对无位置标 记的训练数据进行标记的精度与所采用特征向量个数之间的关系。对比图5和图6可以看出，当所采用的特征向量个数占所有特征向量个数的20% _25%左右时，位置标记精度达 到最高值。 图7为不同比例的带位置标记的训练数据条件下，对无位置标记的训练数据进行 标记的精度影响。从图7可以看出，随着带位置标记的训练数据比例的增多，带位置标记的 训练数据所提供的标记信息增多，因此对无位置标记的训练数据进行标记的精度增加。同 时，当带位置标记的训练数据比例增长到一定程度时，如15%，对无位置标记的训练数据进 行标记的精度的递增趋势变得缓慢，这是因为，当应用分类器的参数对无位置标记的训练 数据进行标记时，带位置标记的训练数据的数量1达到一定的程度时已经能够获得较好的 拟合系数，进一步增多带位置标记的训练数据的数量并不能得到同等的回报。
综上所述，针对带位置标记的训练数据集代价较高的问题，基于两个在信号强度 空间上相近的训练样本，它们的位置标记应该是相似的，本专利采用了图拉普拉斯矩阵谱 分解的方法，通过构建少量带位置标记的训练数据与大量无位置标记的训练数据之间的标 记传播关系，对无标记训练数据进行标记，从而降低了训练数据集的采集代价。实验结果表 明，仅需少量的有标记数据，20%左右，便能以较高的精度，接近80%，实现对无位置标记训
练数据的标记。 本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下，还 可以对以上内容进行各种各样的修改。因此本发明的范围并不仅限于以上的说明，而是由 权利要求书的范围来确定的。
1权利要求
一种室内定位的方法，其特征在于，包括步骤1，输入带位置标记的训练数据和无位置标记的训练数据，所述训练数据组成训练数据集；步骤2，根据无位置标记的训练数据和带位置标记的训练数据间的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对应的位置标记，使所述训练数据集中全部训练数据具有位置标记；步骤3，采用有监督学习方法由所述训练数据集定位待定目标。
2. 如权利要求1所述的室内定位的方法，其特征在于，所述步骤2进一步为， 步骤21，构建表示所有训练数据的信号强度向量相似关系的邻接图，对所述邻接图的拉普拉斯矩阵进行特征值分解，特征向量组成特征向量空间；步骤22，构建所述特征向量空间上的分类器，根据所述带位置标记的训练数据的位置 标记求解所述分类器的参数，由所述分类器得出所述无位置标记的训练数据对应的位置标 记。
3. 如权利要求2所述的室内定位的方法，其特征在于，所述步骤21进一步为， 步骤31，构建所述邻接图；步骤32，按如下公式计算所述邻接图的拉普拉斯矩阵， L = D-W，其中，L为所述邻接图的拉普拉斯矩阵，D为所述邻接图的节点的权值度对角矩阵，W为 所述邻接图边的权值矩阵；步骤33，对所述拉普拉斯矩阵进行特征值分解，得到所述拉普拉斯矩阵的特征向量，所 述特征向量组成特征向量空间。
4. 如权利要求3所述的室内定位的方法，其特征在于，所述步骤32和所述步骤33之间 还包括，步骤41，对所述拉普拉斯矩阵进行归一化。
5. 如权利要求3所述的室内定位的方法，其特征在于，所述步骤22进一步为， 步骤51，构建所述分类器为，<formula>formula see original document page 2</formula>》其中A为分类器的参数，小j,表示第i个特征向量的第j个元素的值，fj为训练数据 的位置标记，j《1时，f j为带位置标记的训练数据的位置标记，j > 1时，f j为无位置标记 的训练数据的位置标记，P为使用的特征值的数量，1为带位置标记的训练数据的数量，u为 无位置标记的训练数据的数量；步骤52，计算所述带位置标记的训练数据的位置标记的误差为<formula>formula see original document page 2</formula>由最小二乘解出使该误差最小的所述分类器的参数；步骤53，由所述分类器得出无位置标记训练数据的位置标记为<formula>formula see original document page 2</formula>
6. 如权利要求3所述的室内定位的方法，其特征在于， 所述步骤31进一步为，步骤61，以所述训练数据集中的训练数据为节点，计算节点间的权值为 <formula>formula see original document page 3</formula>其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi， RSSj)表 示训练数据的在信号强度空间上的距离，o为高斯核函数的窗口系数；步骤62，对于每个节点，按同所述节点的权值从大到小的顺序将节点排列，选取前k个 节点作为所述节点的邻居，k为大于0的整数；步骤63，将所述节点同所述节点邻居的连接，构建出所述邻接图。
7. 如权利要求3所述的室内定位的方法，其特征在于， 所述步骤31进一步为，步骤71，以所述训练数据集中的训练数据为节点，将所有节点两两连接，组成所述邻接图；步骤72，确定所述邻接图中边的权值为<formula>formula see original document page 3</formula>其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi， RSSj)表 示训练数据的在信号强度空间的距离，o为高斯函数的窗口系数。
8. 如权利要求6或7所述的室内定位的方法，其特征在于，所述训练数据在信号强度空间的距离为I lRSSj-RSSil I， RSSi为训练数据i的信号强 度，RSSj为训练数据j的信号强度。
9. 一种室内定位的系统，其特征在于，包括训练数据集组成模块，用于输入带位置标记的训练数据和无位置标记的训练数据，所 述训练数据组成训练数据集；训练数据位置标记模块，用于根据无位置标记的训练数据和带位置标记的训练数据间 的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对应的位置 标记，使所述训练数据集中全部训练数据具有位置标记；目标定位模块，用于采用有监督学习方法由所述训练数据集定位待定目标。
10. 如权利要求9所述的室内定位的系统，其特征在于，所述训练数据位置标记模块进 一步包括特征向量空间构建模块，用于构建表示所有训练数据的信号强度向量相似关系的邻接 图，对所述邻接图的拉普拉斯矩阵进行特征值分解，特征向量组成特征向量空间；位置标记模块，用于构建所述特征向量空间上的分类器，根据所述带位置标记的训练 数据的位置标记求解所述分类器的参数，由所述分类器得出所述无位置标记的训练数据对 应的位置标记。
11. 如权利要求io所述的室内定位的系统，其特征在于，所述特征向量空间构建模块进一步用于构建所述邻接图；按公式L = D-W计算所述邻接图的拉普拉斯矩阵，其中，L为 所述邻接图的拉普拉斯矩阵，D为所述邻接图的节点的权值度对角矩阵，W为所述邻接图边的权值矩阵；对所述拉普拉斯矩阵进行特征值分解，得到所述拉普拉斯矩阵的特征向量，所 述特征向量组成特征向量空间。
12. 如权利要求11所述的室内定位的系统，其特征在于，所述特征向量空间构建模块 在计算完拉普拉斯矩阵后还用于对所述拉普拉斯矩阵进行归一化。
13. 如权利要求11所述的室内定位的系统，其特征在于，所述位置标记模块进一步用 于构建所述分类器为其中A为分类器的参数，小j,表示第i个特征向量的第j个元素的值，fj为训练数据 的位置标记，j《1时，f j为带位置标记的训练数据的位置标记，j > 1时，f j为无位置标记 的训练数据的位置标记，P为使用的特征值的数量，1为带位置标记的训练数据的数量，u为 无位置标记的训练数据的数量；计算所述带位置标记的训练数据的位置标记的误差为 ￡，由最小二乘解出使该误差最小的所述分类器的参数；由所述分类器得出无位置标记训 练数据的位置标记为<formula>formula see original document page 4</formula>
14. 如权利要求11所述的室内定位的系统，其特征在于，所述位置标记模块在构建所述邻接图时进一步用于以所述训练数据集中的训练数据 为节点，计算节点间的权值为<formula>formula see original document page 4</formula>其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi， RSSj)表 示训练数据的在信号强度空间上的距离，o为高斯核函数的窗口系数；对于每个节点，按 同所述节点的权值从大到小的顺序将节点排列，选取前k个节点作为所述节点的邻居，k为 大于0的整数；将所述节点同所述节点邻居的连接，构建出所述邻接图。
15. 如权利要求11所述的室内定位的系统，其特征在于，所述位置标记模块在构建所述邻接图时进一步用于以所述训练数据集中的训练数据 为节点，将所有节点两两连接，组成所述邻接图；确定所述邻接图中边的权值为其中，RSSi为训练数据i的信号强度，RSSj为训练数据j的信号强度，d(RSSi， RSSj)表 示训练数据的在信号强度空间的距离，o为高斯函数的窗口系数。
16.如权利要求14或15所述的室内定位的系统，其特征在于，所述训练数据在信号强度空间的距离为I lRSSj-RSSil |， RSSi为训练数据i的信号强 度，RSS，.为训练数据j的信号强度。
全文摘要
本发明涉及一种室内定位的方法及其系统，系统包括步骤1，输入带位置标记的训练数据和无位置标记的训练数据，所述训练数据组成训练数据集；步骤2，根据无位置标记的训练数据和带位置标记的训练数据间的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对应的位置标记，使所述训练数据集中全部训练数据具有位置标记；步骤3，采用有监督学习方法由所述训练数据集定位待定目标。本发明能够降低室内无线定位技术训练数据采集代价。
文档编号H04W84/02GK101695152SQ200910235698
公开日2010年4月14日 申请日期2009年10月12日 优先权日2009年10月12日
发明者朱珍民, 林权, 罗海勇 申请人:中国科学院计算技术研究所;